Resumen

Este trabajo presenta los resultados de una nueva metodología para hibridar metaheurísticas. Localizando primero los componentes activos (partes) de un algoritmo y luego insertándolos en otro, podemos construir algoritmos de optimización, búsqueda y aprendizaje eficientes y precisos. Esto proporciona una forma concreta de construir nuevas técnicas que contrasta con la forma de hibridación ad hoc extendida. En este trabajo, el algoritmo mejorado es un Algoritmo Genético Celular (AGc) que ha sido utilizado con éxito en el pasado para encontrar soluciones a estos difíciles problemas de optimización. Con el fin de ampliar y corroborar el uso de componentes activos como metodología emergente de hibridación, proponemos aquí el uso de componentes activos tomados de la búsqueda dispersa (SS) para mejorar el cGA. Los resultados obtenidos sobre un conjunto variado de benchmarks son altamente satisfactorios en eficacia y eficiencia cuando se comparan con un cGA estándar. Además, el enfoque híbrido propuesto (es decir, cGA SS) ha mostrado resultados alentadores con respecto a aplicaciones anteriores de nuestra metodología.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Cerebro - fisiopatología Neurociencia Cognitiva
• Subjects:Artificial intelligence Data mining Genetic algorithms Brain - pathophysiology Cognitive Neuroscience
• Palabras claves:componentes activos, problema de optimización difícil, algoritmo genético celular, conjunto de puntos de referencia, enfoque híbrido propuesto, forma de hibridar, resultados alentadores mostrados, nueva metodología, algoritmo mejorado, resultados
• Keywords:active components, hard optimization problem, cellular genetic algorithm, set of benchmark, proposed hybrid approach, way of hybridizing, shown encouraging results, new methodology, enhanced algorithm, results